少样本设定下用于医学图像分割的隐式梯度元学习
计算机视觉与模式识别
2022-02-01 v2
摘要
广泛使用的传统监督深度学习方法需要大量训练样本，但常在未见数据集上泛化失败。因此，任何训练模型在医学影像临床实践中的更通用应用相当有限。对每个独特病灶类别或独特患者群体使用单独训练的模型将需要足够大的精选数据集，这在真实临床环境中不切实际。少样本学习方法不仅能最小化对海量可靠真值标签（费力且昂贵）的需求，还可用于对来自新群体的数据集建模。为此，我们提出在少样本设定下利用基于优化的隐式模型无关元学习（iMAML）算法用于医学图像分割。我们的方法能借助来自多样但少量的训练样本所学权重，以高精度对未见数据集进行分析。我们表明，与经典少样本学习方法不同，我们的方法提升了泛化能力。据我们所知，这是首项将 iMAML 用于医学图像分割并探索该模型在诸如在独特及混合病灶数据集上元训练等场景下的优势的工作。我们在公开可用的皮肤与息肉数据集上的定量结果表明，所提方法大幅优于朴素监督基线模型及两种近期少样本分割方法。此外，我们的 iMAML 方法在大多数实验中相比其对应方法 MAML 在 dice 分数上提升了 2%–4%。
引用
@article{arxiv.2106.03223,
title = {Meta-learning with implicit gradients in a few-shot setting for medical image segmentation},
author = {Rabindra Khadga and Debesh Jha and Steven Hicks and Vajira Thambawita and Michael A. Riegler and Sharib Ali and Pål Halvorsen},
journal= {arXiv preprint arXiv:2106.03223},
year = {2022}
}